导读：当一个人能在同一块屏幕上组织数百个Agent连续工作几天，科研的瓶颈就不再只是模型聪不聪明，而是身份能否延续、任务如何分叉、知识怎样共享、结论能否追溯，以及成本和权限是否可控。港科大团队开源的“The Fourth Institute（第四大学）”，正试图把Codex、Claude Code、DeepSeek Harness等Agent变成一个可长期协作的研究社群。
01 / 顶尖Agent集群很强，但普通研究者缺的是一座“基地”
大规模Agent集群可以昼夜并行：有人检索论文，有人写代码，有人运行实验，还有成员专门做审查和复现。但普通研究者通常只有几个模型账号、有限GPU和零散脚本，最大的困难不是“没有Agent”，而是每次启动都要重新解释背景、手工拆任务、搬运结果，经验也很难跨会话积累。
The Fourth Institute的出发点，是为这种长期探索建立一个持续存在的空间：人类带着已有AI账号和Agent加入，Agent拥有身份、工作区与历史，多个成员围绕同一个问题并行探索，再把发现、争议和证据带回共享环境。
它并不是把“科研流程”画成一条更长的自动化流水线，而是尝试把研究者、Agent、知识、代码、设备和执行记录组织成一个可持续运转的社会系统。
02 / 从一条思维链，扩展成不断生长的思维网
传统Agent常沿单一上下文继续生成：前面的内容形成有序前缀，后续推理不断追加。它适合明确任务，却容易让早期假设锁定方向，也难以同时保留互相冲突的路线。
第四大学的设计更接近“思维网”：一个问题可以分出多条分支，不同Agent独立提出假设、查找反例、运行实验；有价值的片段可以被其他路线引用、驳斥、复用或重新组合。创造力不再被寄托于一次超长思考，而来自许多路线之间的碰撞。
但分支越多并不自动等于创新越强。没有任务边界、证据标准和收敛机制时，思维网也可能变成高成本的信息噪声。因此项目把“持续身份”和“组织结构”放在同等重要的位置。
03 / Resident、Lineage与Family：让Agent真的像团队成员
Resident：跨会话延续的小领域专家
Resident不是一次性的聊天窗口，而是拥有配置、工作区、研究轨迹和偏好的持久Agent。它可以逐渐熟悉某类实验、代码库或验证方法，下次遇到相关课题时继续使用此前积累。
Lineage：任务交接与分支探索
Lineage把多个Resident组织成协作群体，通过事件与任务交接连接工作。一个成员可以从已有上下文中分出新成员，沿另一条路线探索，再把结果带回主线。
Family：把多个Agent封装成一个入口
Family适合需要紧密协作的成员。它整合共享记忆和内部路由，对外像一个Resident：用户只需要提出目标，Family中的路由成员再把任务交给合适的角色，减少人类逐个点名和同步上下文的负担。
Family还可以嵌套，理论上能够形成部门、团队和更高层级组织。不过层级越复杂，越需要清楚的权限、负责人、验收标准和停止条件，否则“自动组织”可能只是把管理复杂度藏得更深。
04 / HATG ISA：不是规定研究什么，而是规定如何协作
多个Agent来自不同后端，能力、上下文、工具和运行方式都不同。项目使用HATG ISA（Human-Agent Trajectory Graph Instruction Set）提供共同的资源访问与协作规范，让成员发现知识、引用代码、交接任务、记录来源关系并保留执行轨迹。
官方文档当前列出的后端包括Codex、Claude Code、DeepSeek Harness、OpenCode和Kimi Code，也能连接兼容OpenAI Chat Completions协议的云端或自托管模型。用户可继续使用已有账号和熟悉的后端，而不是被锁在单一模型供应商中。
05 / 个人知识与Agent研究，怎样形成真正的反馈循环
科研常从一段论文批注、实验记录或尚未解决的问题开始。第四大学允许把这些个人知识接入共享环境，供Agent Society提出假设、复现结果和补充证据；共同研究产生的新方法和结论又回流到知识库，影响后续课题。
这里最关键的不是“记得更多”，而是知识必须带着来源、条件和验证状态被复用。一个Agent总结过的结论不能因为进入共享记忆就自动变成事实。团队仍需区分原始材料、推断、实验结果、失败记录和人类审查意见。
06 / AI-Human Trace：从结论一路追到讨论、材料和工具调用
项目把人机交互与Agent执行轨迹保存为可关联片段，记录作者、模型输出、工具调用以及压缩、派生等来源关系。研究者可以从一条结论回看它引用了什么材料、由谁生成、执行过哪些实验、在哪一步被修改。
项目介绍披露，在公开时系统已积累超过186万条思维与执行片段、93万余条交互事件，Agent累计开展超过5,100小时研究与开发。这些数字反映项目团队自己的运行规模，不等于已经完成同等规模的独立科研验证。
官方README还给出更直接的资源信号：一次高负载运行中，单人组织的Agent团队一小时记录Token用量超过20亿。这不是“人人都能免费获得超级实验室”，而是在提醒使用者，规模化Agent会迅速把成本从人力转移到模型调用、存储、算力和审查。
07 / 从知识到设备：研究基站如何实例化
一个具体研究基站由三部分组成：
- 智能主体社群：人类User与AI Resident共同参与，不同模型后端承担不同角色。
- 异构资源：知识、记忆、代码、实验材料、GPU、模型API和Resident本身都能被发现和引用。
- 协作规范与执行设施：多Agent操作系统、插件、后端适配、调度、权限和轨迹记录共同保证任务真正执行。
用户可以把运行在自己设备上的Agent接入基站，也可以让不同模型分别负责编码、审查和实验分析。这种开放性很有吸引力，但也把账号凭据、局域网访问、代码执行和数据权限放进同一系统，部署时必须做最小权限和环境隔离。
08 / 具身智能案例：24小时优化多模型推理，但“SOTA”要谨慎读
团队把首个真实课题放在具身智能基础设施：让Agent针对PyTorch模型在不同GPU上的推理性能并行提出优化方案，先运行与剖析，再按模型和设备拆分路线。
项目介绍称，Agent团队在24小时内完成数十种模型到多种GPU平台的推理优化，部分结果达到当时的最佳水平。图中覆盖π0.5、GR00T N1.7、OpenVLA、RDT、ACT、Cosmos和Diffusion Policy等模型，以及Thor、RTX 4090和A100等设备。
这里应把“结果展示”与“可复现结论”分开：没有完整环境、代码版本、输入规模、精度约束、基线与第三方复测时，延迟表只能作为项目案例，不能直接推广成所有设备和模型都能获得同样加速。
09 / 安装教程：先从一名Resident和一个可检查任务开始
Windows 11 x64预览版
- 从官方仓库Release获取Windows安装器，并先阅读预览版说明与验证范围。
- 首次运行需要联网，安装器会准备示例、启动Portal并打开浏览器。
- 完成管理员初始化后，在执行配置中接入自己的AI Provider账号或模型API。
- 只创建一个Resident，先执行“阅读两篇论文并列出方法差异”这类容易人工核查的小任务。
Linux安装
- 准备Python 3.12与venv，克隆官方仓库。
- 运行项目的准备脚本，生成经过校验的示例安装工程。
- 按INSTALL.md创建target.json，设置安装目录、端口、数据库与数据根。
- 执行安装命令后检查服务状态和日志，再生成首次管理员邀请。
- 默认保持仅本机访问；需要局域网访问时再显式设置bind、检查防火墙和认证。
不要一上来就拉起数百Agent。先记录单任务的Token、磁盘、执行时间和失败率，再逐步增加成员与并发；API Key、账号配置和私有数据不要写进共享资料或提交到Git。
10 / 官方限制：AI生成项目不等于已经验证的科研系统
官方仓库有一条必须保留的声明：项目中的全部内容由AI生成，安装与使用可能出现意外问题；内置元胞自动机自动化研究仅用于演示，其论文与实验结果不具学术价值。
另外，公开Agent上传、跨研究基站发现和基站间自动协作仍属于未来方向。当前版本更适合被视为一个可运行、可研究、可改造的Agent组织实验平台，而不是已经成熟的“全自动大学”。
11 / 做视频网分析：真正的门槛从“会不会用Agent”变成“会不会治理Agent”
The Fourth Institute最有价值的地方，不是把Agent数量堆到几百个，而是把身份、组织、知识、资源、轨迹和人类介入放在一个系统里考虑。当Agent开始连续运行数天，提示词技巧的重要性会下降，目标拆分、预算、权限、可追溯性与验收机制会成为核心能力。
对独立研究者和“一人公司”来说，它提供了一种有吸引力的方向：让不同模型承担互补角色，把可复用的知识与流程沉淀下来。但数百Agent不会自动产生数百倍价值。没有质量门槛时，它们也会并行制造重复实验、错误结论和巨额Token账单。
更现实的落地路线是：从3到5个角色开始，例如资料检索、实现、实验、审查和项目管理；每条结论保留来源，每个实验保留环境与日志，每个高成本分支设置预算与停止条件，人类只在关键决策点介入。这样才可能把Agent Society从演示变成真正可靠的研究生产力。
站内导航与延伸阅读
- The Fourth Institute导航：https://www.zuoshipin.com/link/55643.html
- Grok Bot多智能体实战：https://www.zuoshipin.com/article/53348
- Google Co-Scientist真实实验室案例：https://www.zuoshipin.com/article/30604
- AgentGarten智能体演练：https://www.zuoshipin.com/article/49452
- DeepSeek Harness插件生态：https://www.zuoshipin.com/article/23004
- 多智能体安全边界：https://www.zuoshipin.com/article/21192
- 更多AI资讯：https://www.zuoshipin.com/archive/75
